[发明专利]一种基于用户节点嵌入的多属性推断的方法

摘要

本发明公开了一种基于用户节点嵌入UNE(User Node Embedding)的多属性推断的方法，构建一种边带权重的用户‑商品二部有向图G并在其上进行有偏置的随机游走，从而获得用户‑商品序列；将所有用户‑商品序列放入CBOW模型中训练得到所有用户在低维空间的实值向量表示；构建一个多属性推断神经网络模型，利用用户的低维向量表示和对应的多属性表示作为训练集进行训练得到一个多属性推断模型。将需要推断用户属性的用户在低维空间的实值向量表示，输入到已经训练好的多属性推断模型中，从而得到该用户的多个属性值。本发明可应用于市场分析中定义不同的客户类型，深度挖掘用户属性信息以优化个性化推荐算法等与用户属性紧密相关的领域。

主权项

1.一种基于用户节点嵌入的多属性推断的方法，其特征在于，包括以下步骤：(1)、用户多个属性的向量表示根据需求，确定一个用户购买记录数据集用于用户属性推断，提取用户购买记录数据集中所有用户的属性信息并进行属性规范，得到各用户的多个属性，然后构建各用户的多个属性的one‑hot向量表示；(2)、利用已知的购买记录构建边带权的用户‑商品二部有向图利用用户购买记录数据集构建用户‑商品二部有向图G＝(V,E,W)，其中，节点集V由用户购买记录数据集中所有用户构成的用户节点集U和用户购买记录数据集中所有商品构成的商品节点集P组成，即V＝U∪P；若第i个用户ui(ui∈U)购买过第j个商品pj(pj∈P)，则形成用户‑商品二部有向图G中的两条有向边(ui,pj)和(pj,ui)，E表示用户‑商品二部有向图G中所有的有向边构成的边集；权重集W为边集E中每条边的权重集合；对于每条边的权重，采取以下步骤获取：2.1)、对于第i个用户ui到第j个商品pj的有向边(ui,pj)而言，首先统计用户ui购买商品pj的次数cij以及用户ui购买过的所有商品的总次数ci，则有向边(ui,pj)对应的权重计算公式如下：其中，|U|表示用户‑商品二部有向图G中所有的用户节点数，|Uj|表示购买过商品pj的用户节点数；2.2)、对于第j个商品pj到第i个用户ui的有向边(pj,ui)而言，对应的权重计算公式如下：其中，cji表示商品pj被用户ui购买的次数，cj表示商品pj被所有用户购买的总次数，|P|表示用户‑商品二部有向图G中所有的商品节点数，|Pi|表示被用户ui购买过的商品节点数；2.3)、将每个用户所有对应边的权重和每个商品对应所有边的权重进行归一化处理，即：其中，P(i)表示用户ui购买过的所有商品列表，U(j)表示购买过商品pj的所有用户列表；(3)、利用图节点嵌入算法学习用户‑商品二部有向图G中所有用户节点的低维向量表示3.1)、在构建的用户‑商品二部有向图G上进行有偏置的随机游走，从而获得节点的上下文语义序列，若起始节点为用户u_i时，则所有与用户u_i构成边的商品节点集P(i)中，权重越大的边被访问的概率越大，即越大，则p_k成为下一跳节点的概率越大；以每个用户节点为起始节点，进行m趟有偏置的随机游走，最终得到多条固定长度为m的用户‑商品序列；3.2)、利用Word2vec的连续词(CBOW)模型，将所有用户‑商品序列放入CBOW模型中训练得到所有用户在低维空间的实值向量表示；(4)、训练得到一个多属性推断模型用步骤(3)得到的用户在低维空间的实值向量以及步骤(1)中得到的用户对应的多属性one‑hot向量对一个神经网络进行训练，该网络是一个多任务学习框架，网络的最后一层对应多个属性推断任务的输出，每个任务单独训练自己的参数，其余各层则共享参数，最终得到一个多属性预测模型；(5)、推断用户属性将需要推断用户属性的用户在低维空间的实值向量表示，输入到步骤(4)训练好的多属性推断模型中，通过各层网络计算，最终输出用户多个属性的one‑hot向量表示，再根据步骤(1)得到该用户的多个属性。